Ekonomický ústav SAV, v. v. i.
Názov témy
Odhaľovanie daňových manipulácií pomocou metód strojového učenia a umelej inteligencie.
Program DŠ
Economics
Rok prijímania
2024
Meno školiteľa/-ky
doc. Ing. Eduard Baumöhl, PhD.
Kontakt:
Prijímajúca škola
Národohospodárska fakulta EU
Stručná anotácia
Žonglovanie s podnikovým účtovníctvom a účtovnou závierkou je neoddeliteľnou súčasťou podnikových financií, obzvlášť na Slovensku. Hlavným cieľom tejto práce je vyvinúť nový model založený na najnovších pokrokoch v oblasti neurónových sietí a strojového učenia, ktorý by bol vhodný pre podmienky slovenského podnikateľského prostredia. Práca má silné zameranie na aplikovaný výskum, a preto sa bude udržiavať úzka spolupráca s oficiálnym orgánom na Slovensku – Finančným riaditeľstvom SR (FR SR). Na túto tému je podaný projekt APVV, do ktorého bude študent zapojený a zo strany FR SR môže byť poskytnutá krátkodobá zmluva.
Medzi najčastejšie používané techniky dolovania údajov na začiatku 21. storočia na odhaľovanie finančných manipulácií patria neurónové siete, Bayesovská analýza a rozhodovacie stromy (Ngai et al., 2011; Ravisankar et al., 2011; Feroz et al., 2000; Lin et al., 2003). Neskôr sa okrem týchto metód začala používať aj metóda SVM (Support Vector Machine; Perols, 2011; Albashrawi, 2016). Všetky tieto techniky na čele s neurónovými sieťami sú štandardnou súčasťou aj existujúceho výskumu v tejto oblasti, v ktorých sa používa viacero techník na porovnanie ich výkonnosti (Lin et al., 2015). Niektoré práce rozšírili techniky na KNN (K-Nearest Neighbor), ale hlavne na hybridné systémy používané na identifikáciu faktorov predikujúcich manipulatívne správanie (Kirkos et al., 2007). Menej často používanou metódou pri analýze finančných manipulácií je technika strojového učenia Random Forest, ktorá však môže poskytovať výrazne lepšie výsledky v porovnaní s inými metódami (Whiting et al., 2012; Patel et al., 2019; An a Suh, 2020; Wyrobek, 2020). Táto technika sa tak vďaka svojej presnosti dostáva do popredia pri analýze manipulatívneho správania v súčasnom výskume.
Typickým problémom tohto typu analýzy je nevyváženosť v dátach, t.j. disproporcia subjektov identifikovaných ako manipulátori. V posledných rokoch sa vyvinulo mnoho metodických prístupov na zvládnutie problému nevyváženého učenia. Vo všeobecnosti ich možno rozdeliť do niekoľkých kategórií: metódy vzorkovania, metódy citlivé na náklady pre nevyvážené učenie, súhrnné metódy a rôzne hybridné metódy (He a Garcia, 2009). Z metodologického hľadiska bude jednou z hlavných tém práce riešenie problému vysokej nevyváženosti údajov.
Medzi najčastejšie používané techniky dolovania údajov na začiatku 21. storočia na odhaľovanie finančných manipulácií patria neurónové siete, Bayesovská analýza a rozhodovacie stromy (Ngai et al., 2011; Ravisankar et al., 2011; Feroz et al., 2000; Lin et al., 2003). Neskôr sa okrem týchto metód začala používať aj metóda SVM (Support Vector Machine; Perols, 2011; Albashrawi, 2016). Všetky tieto techniky na čele s neurónovými sieťami sú štandardnou súčasťou aj existujúceho výskumu v tejto oblasti, v ktorých sa používa viacero techník na porovnanie ich výkonnosti (Lin et al., 2015). Niektoré práce rozšírili techniky na KNN (K-Nearest Neighbor), ale hlavne na hybridné systémy používané na identifikáciu faktorov predikujúcich manipulatívne správanie (Kirkos et al., 2007). Menej často používanou metódou pri analýze finančných manipulácií je technika strojového učenia Random Forest, ktorá však môže poskytovať výrazne lepšie výsledky v porovnaní s inými metódami (Whiting et al., 2012; Patel et al., 2019; An a Suh, 2020; Wyrobek, 2020). Táto technika sa tak vďaka svojej presnosti dostáva do popredia pri analýze manipulatívneho správania v súčasnom výskume.
Typickým problémom tohto typu analýzy je nevyváženosť v dátach, t.j. disproporcia subjektov identifikovaných ako manipulátori. V posledných rokoch sa vyvinulo mnoho metodických prístupov na zvládnutie problému nevyváženého učenia. Vo všeobecnosti ich možno rozdeliť do niekoľkých kategórií: metódy vzorkovania, metódy citlivé na náklady pre nevyvážené učenie, súhrnné metódy a rôzne hybridné metódy (He a Garcia, 2009). Z metodologického hľadiska bude jednou z hlavných tém práce riešenie problému vysokej nevyváženosti údajov.